MATLAB有导师学习神经网络的分类-鸢尾花种类识别.zip资源-CSDN文库

共2个文件

mat：1个

m：1个

版权申诉

82 浏览量 2023-08-19 15:54:13 上传评论收藏 3KB ZIP 举报

在本项目中，我们将深入探讨如何使用MATLAB进行有导师学习的神经网络分类，特别是针对鸢尾花种类的识别。MATLAB是一款强大的数值计算软件，它提供了丰富的工具箱，其中包括神经网络工具箱，使得构建、训练和优化神经网络模型变得简单易行。我们来看“main.m”文件，这是MATLAB程序的主文件。在这个文件中，开发者通常会编写代码来定义神经网络结构、加载数据、训练网络以及测试网络性能。具体来说，可能包括以下步骤： 1. **导入数据**：鸢尾花数据集（iris_data.mat）是已知的多类分类问题数据，包含三种鸢尾花（Setosa、Versicolour、Virginica）的不同特征，如花瓣长度、花瓣宽度、花萼长度和花萼宽度。在MATLAB中，可以使用`load`函数加载这个.mat文件，然后将数据分为输入（特征）和输出（类别标签）。 2. **预处理数据**：在训练神经网络之前，可能需要对数据进行预处理，如归一化或标准化，使得输入值都在相同的范围内，以提高训练效率和模型性能。 3. **构建神经网络**：MATLAB中的`feedforwardnet`函数可以创建前馈神经网络。用户可以指定网络层数、每层的神经元数量、激活函数等参数。对于鸢尾花分类问题，可能选择两到三层的网络结构，其中隐藏层使用sigmoid或tanh激活函数，输出层使用softmax激活函数，用于多类分类。 4. **设置训练选项**：这包括学习率、动量、训练迭代次数等。MATLAB提供了多种训练函数，如`train`或`trainscg`，它们控制着网络权重的更新过程。 5. **训练网络**：使用`train`或`trainFcn`对网络进行训练，将预处理后的数据输入网络，调整权重以最小化预测错误。 6. **测试网络**：训练完成后，使用`sim`函数将测试集数据输入网络，获取预测结果，然后与实际标签比较，计算分类准确率等评估指标。 7. **调整网络结构和参数**：根据测试结果，可能需要反复调整网络结构和训练参数，以找到最优模型。 8. **保存和加载模型**：完成训练并得到满意的结果后，可以使用`save`函数保存网络模型，以便后续使用或共享。鸢尾花种类识别是一个经典的机器学习问题，通过MATLAB实现的神经网络分类可以帮助我们理解有导师学习的工作原理，同时也能为其他多类分类任务提供参考。在这个过程中，我们不仅掌握了神经网络的基本构建和训练方法，还能体验到MATLAB在数据处理和模型构建方面的便捷性。通过不断的实践和调整，我们可以进一步优化模型，提高分类精度。

资源推荐

资源详情

资源评论

收起资源包目录

MATLAB有导师学习神经网络的分类——鸢尾花种类识别.zip （2个子文件）

iris_data.mat 1KB

main.m 4KB

%% 第26章有导师学习神经网络的分类——鸢尾花种类识别 % <html> % <table border="0" width="600px" id="table1"> <tr> <td>该案例作者申明：</td> </tr> <tr><td>1：本人长期驻扎在此<a target="_blank" href="http://www.matlabsky.com/forum-78-1.html">板块</a>里，对该案例提问，做到有问必答。</td></tr><tr> <td>2：此案例有配套的教学视频，视频下载请点击<a href="http://www.matlabsky.com/forum-91-1.html">http://www.matlabsky.com/forum-91-1.html</a>。 </td> </tr> <tr> <td> 3：此案例为原创案例，转载请注明出处（《MATLAB智能算法30个案例分析》）。</td> </tr> <tr> <td> 4：若此案例碰巧与您的研究有关联，我们欢迎您提意见，要求等，我们考虑后可以加在案例里。</td> </tr> <tr> <td> 5：以下内容为初稿，与实际发行的书籍内容略有出入，请以书籍中的内容为准。</td> </tr> </table> % </html> %% 清空环境变量 clear all clc %% 训练集/测试集产生 % 导入数据 load iris_data.mat % 随机产生训练集和测试集 P_train = []; T_train = []; P_test = []; T_test = []; for i = 1:3 temp_input = features((i-1)*50+1:i*50,:); temp_output = classes((i-1)*50+1:i*50,:); n = randperm(50); % 训练集——120个样本 P_train = [P_train temp_input(n(1:40),:)']; T_train = [T_train temp_output(n(1:40),:)']; % 测试集——30个样本 P_test = [P_test temp_input(n(41:50),:)']; T_test = [T_test temp_output(n(41:50),:)']; end %% 模型建立 result_grnn = []; result_pnn = []; time_grnn = []; time_pnn = []; for i = 1:4 for j = i:4 p_train = P_train(i:j,:); p_test = P_test(i:j,:); %% GRNN创建及仿真测试 t = cputime; % 创建网络 net_grnn = newgrnn(p_train,T_train); % 仿真测试 t_sim_grnn = sim(net_grnn,p_test); T_sim_grnn = round(t_sim_grnn); t = cputime - t; time_grnn = [time_grnn t]; result_grnn = [result_grnn T_sim_grnn']; %% PNN创建及仿真测试 t = cputime; Tc_train = ind2vec(T_train); % 创建网络 net_pnn = newpnn(p_train,Tc_train); % 仿真测试 Tc_test = ind2vec(T_test); t_sim_pnn = sim(net_pnn,p_test); T_sim_pnn = vec2ind(t_sim_pnn); t = cputime - t; time_pnn = [time_pnn t]; result_pnn = [result_pnn T_sim_pnn']; end end %% 性能评价 % 正确率accuracy accuracy_grnn = []; accuracy_pnn = []; time = []; for i = 1:10 accuracy_1 = length(find(result_grnn(:,i) == T_test'))/length(T_test); accuracy_2 = length(find(result_pnn(:,i) == T_test'))/length(T_test); accuracy_grnn = [accuracy_grnn accuracy_1]; accuracy_pnn = [accuracy_pnn accuracy_2]; end % 结果对比 result = [T_test' result_grnn result_pnn] accuracy = [accuracy_grnn;accuracy_pnn] time = [time_grnn;time_pnn] %% 绘图 figure(1) plot(1:30,T_test,'bo',1:30,result_grnn(:,4),'r-*',1:30,result_pnn(:,4),'k:^') grid on xlabel('测试集样本编号') ylabel('测试集样本类别') string = {'测试集预测结果对比(GRNN vs PNN)';['正确率:' num2str(accuracy_grnn(4)*100) '%(GRNN) vs ' num2str(accuracy_pnn(4)*100) '%(PNN)']}; title(string) legend('真实值','GRNN预测值','PNN预测值') figure(2) plot(1:10,accuracy(1,:),'r-*',1:10,accuracy(2,:),'b:o') grid on xlabel('模型编号') ylabel('测试集正确率') title('10个模型的测试集正确率对比(GRNN vs PNN)') legend('GRNN','PNN') figure(3) plot(1:10,time(1,:),'r-*',1:10,time(2,:),'b:o') grid on xlabel('模型编号') ylabel('运行时间(s)') title('10个模型的运行时间对比(GRNN vs PNN)') legend('GRNN','PNN') %% % <html> % <table width="656" align="left" > <tr><td align="center">相关论坛：Matlab技术论坛：<a href="http://www.matlabsky.com">www.matlabsky.com</a>Matlab函数百科：<a href="http://www.mfun.la">www.mfun.la</a></td> </tr></table> % </html>

评论收藏

内容反馈

版权申诉